-
公开(公告)号：CN111984419A
公开(公告)日：2020-11-24
申请号：CN202010886685.X
申请日：2020-08-28
Applicant: 华侨大学
Abstract: 本发明提供了计算机技术领域的一种边缘环境可靠性约束的复杂任务计算迁移方法，包括：步骤S10、获取任务集合构建复杂工作流模型；步骤S20、基于复杂工作流模型构建父代种群并进行初始化；步骤S30、基于父代种群生成混合种群；步骤S40、利用第三代非支配排序遗传算法对混合种群的个体进行排序后，构成若干个非支配层；步骤S50、计算混合种群各优化目标的极值点；步骤S60、基于各极值点构建三维坐标平面，计算坐标轴至三维坐标平面的截距值，利用所述截距值以及非支配层对父代种群进行迭代更新。本发明的优点在于：在满足时延和系统能耗双重可靠性约束条件的同时，实现对复杂任务的系统能耗、时延以及资源利用率进行多目标优化。
-
公开(公告)号：CN112214301B
公开(公告)日：2023-06-02
申请号：CN202011179166.6
申请日：2020-10-29
Applicant: 华侨大学
Abstract: 本发明提供一种面向智慧城市基于用户偏好的动态计算迁移方法及装置，方法包括：对输入任务的集合进行初始化，同时，规定算法停止标准、种群最大迭代次数、每一个粒子的邻域向量集合的个数、种群初始迁移策略并定义算法中需要用到的一组权重向量集合；然后，基于MOEA/D算法，以优化用户端移动设备任务从产生到完成期间的总能耗和总时延为目标，对任务的迁移策略进行不断更新；同时为了满足用户的需求，并加入精英策略，可以根据用户的需求和偏好有向改变；采用精英策略，在满足用户偏好的同时，综合考虑任务处理产生的能耗和时延，在MEC环境下为用户任务制定合适的计算迁移策略，达到多目标优化的目的。
-
公开(公告)号：CN111857976A
公开(公告)日：2020-10-30
申请号：CN202010790128.8
申请日：2020-08-07
Applicant: 华侨大学
Abstract: 本发明提供了计算机领域的一种基于分解的多目标优化的计算迁移方法，包括如下步骤：步骤S10、基于终端用户的满意度以及边缘云服务提供商的收益创建一目标模型；步骤S20、利用遗传算法以及多目标优化算法对所述目标模型进行迭代进化；步骤S30、利用多准则决策、加权法以及迭代进化后的所述目标模型进行计算迁移。本发明的优点在于：综合考虑终端用户的满意度以及边缘云服务提供商的收益的同时，极大的提升了计算迁移的速度。
-
公开(公告)号：CN111813506A
公开(公告)日：2020-10-23
申请号：CN202010693095.5
申请日：2020-07-17
Applicant: 华侨大学
Abstract: 本发明公开了一种基于粒子群算法资源感知计算迁移方法，所述方法包括：对输入的每一个工作流中的子任务的前驱后继关系进行判断然后对每个工作流进行整合重构，得到复杂工作流的全局模型；基于粒子群优化算法，以系统能耗和时延为优化目标，通过迭代不断更新粒子速度、粒子位置以及粒子适应度函数，最终得到多目标优化后粒子的迁移策略；根据当前的系统能耗、系统时延以及边缘服务器的资源利用率，进一步地，在每一次迁移策略确定后对系统进行新一轮的资源配置，实现能耗、时延以及资源利用率三目标优化。本发明在面对用户端产生的较为复杂的任务时，仍可以为用户提供质量较高的服务，且可以实现对服务器的负载进行平衡的功能，计算简单快速。
-
公开(公告)号：CN118055119A
公开(公告)日：2024-05-17
申请号：CN202311717605.8
申请日：2023-12-14
Applicant: 华侨大学
Abstract: 本发明公开了一种基于非欧几何架构的边缘赋能工业物联网服务调度方法，包括：S1，获取网络环境与任务信息；S2，结合网络环境与任务信息，建立多优化目标的边缘赋能工业物联网服务调度模型并设置约束条件；S3，初始化算法参数；S4，构建混合种群；S5，基于非欧几何架构将边缘赋能工业物联网服务调度模型建模成为P维的非线性方程组，通过求解LP范数拟合得到最优超平面；S6，对个体进行自适应评估和筛选；S7，重复S4至S6直到算法达到最大迭代次数，获得最优服务调度策略。本发明考虑了边缘赋能IIoT中的服务调度问题，有效降低IIoT任务处理的时延、能耗和资源开销，与现有技术相比具有更高的精确度，能够对IIoT网络服务效益进行有效提高的调度策略。
-
Patent Agency Ranking
公开(公告)号：CN117834625A
公开(公告)日：2024-04-05
申请号：CN202311765064.6
申请日：2023-12-19
Applicant: 华侨大学
Abstract: 本发明公开了一种面向工业物联网基于注意力机制的MAPPO计算卸载方法，涉及工业物联网技术领域，包括：获取工业物联网的生产任务集合；根据生产任务集合，构建M/M/C排队任务模型；获取当前环境的生产任务状态，将任务计算卸载过程转化为马尔可夫决策过程；引入自注意力机制帮助工业设备关注自身状态信息，以及时发现故障；引入多头注意力机制允许工业设备之间进行通信，以协作故障任务计算卸载；基于MAPPO的计算卸载方法，使智能体使用注意力机制做出近似最优的任务卸载决策，以保证工业生产正常运行。本发明降低了任务计算卸载的时延和能耗，同时提高了工业生产过程中易故障任务的卸载成功率，有助于系统及时检测故障并采取措施，确保任务顺利完成。
-
公开(公告)号：CN117196008A
公开(公告)日：2023-12-08
申请号：CN202311122214.1
申请日：2023-09-01
Applicant: 华侨大学
Abstract: 本发明公开了一种基于D3QN的边缘赋能IIoT在线计算迁移方法，涉及计算机技术领域，包括：将当前工业环境抽象为边缘赋能的IIoT网络模型，同时对IIoT内的任务进行建模获得多约束任务模型；根据本地设备的功率、信道传输带宽和服务器的计算能力建立包括时延和能耗的多约束任务计算卸载问题模型；基于多约束任务模型和多约束任务计算卸载问题模型设计D3QN网络，将IIoT任务在线计算迁移问题处理成马尔可夫决策过程，包括状态State、动作Action和奖励Reward；在D3QN网络中加入噪声，根据模型建立基于深度强化学习的算法Noisy D3QN，求解得到最优的任务卸载决策。本发明考虑工业数据的大规模和高复杂性，采用Noisy D3QN算法获取最佳迁移策略，对系统时延和能耗进行高效优化。
-
公开(公告)号：CN117032981A
公开(公告)日：2023-11-10
申请号：CN202311052372.4
申请日：2023-08-21
Applicant: 华侨大学
Abstract: 本发明公开了一种基于AbYSS的工业物联网工作流多目标计算迁移方法及装置，通过获取终端产生的任务集合及任务的前驱后继关系，基于任务的前驱后继关系将任务集合建模为工作流模型，建立一个初始种群；基于初始种群构建参考集，参考集包括第一参考集和第二参考集；根据参考集生成子集，响应于确定生成新子集，则对参考集中的解分组，并组合生成新个体；对新个体进行变异，得到变异个体，并判断是否将变异个体加入参考集中，更新参考集，重复以上步骤；响应于确定未生成新子集，则重新建立一个种群作为下次循环的初始种群，并将第一参考集和外部档案的解加入种群，重复以上步骤；从参考集中选择出对应最优个体，能满足低能耗、低时延的需求。
-
公开(公告)号：CN116881000A
公开(公告)日：2023-10-13
申请号：CN202310801837.5
申请日：2023-07-03
Applicant: 华侨大学
Abstract: 本发明公开了一种面向智慧校园工作流应用的多目标计算迁移方法及装置，获取用户集合和用户的任务集合，构建工作流集合，根据用户集合和工作流集合随机初始化构建父代种群；基于父代种群进行二元锦标赛填充交配池，进行交叉变异生成子代种群；将父代种群加入子代种群生成混合种群，计算各解决方案的指标，根据各解决方案的指标对混合种群进行非支配排序，根据非支配排序结果迭代更新候选解；在迭代过程中，响应于确定所选出的下一代父代种群符合种群大小，构建用户关于各项指标的重要性程度的判断矩阵，基于判断矩阵计算符合用户偏好的指标权重，基于指标权重构建归一化方程，并通过归一化方程寻找出最优迁移策略，实现符合用户偏好的多目标优化。
-
公开(公告)号：CN113139639A
公开(公告)日：2021-07-20
申请号：CN202110535628.1
申请日：2021-05-17
Applicant: 华侨大学
Abstract: 本发明涉及一种基于MOMBI面向智慧城市应用多目标计算迁移方法，基于R2指标的MOMBI算法，联合移动设备的时延、能耗以及边缘服务器计算资源和集群负载均衡，通过迭代不断更新种群参考点位置，使用R2指标对种群中的个体进行分层，并通过锦标赛选择方法保留种群中的精英个体，最终得到多目标优化后的迁移策略；根据当前的能耗、时延以及边缘服务器的资源利用率和负载均衡方差，在每一次迁移策略确定后进行新一轮的计算更新，并使用SAW和MCDM选择最优的迁移策略，针对边缘赋能的智慧城市中四目标进行优化。通过本发明的方法，针对智慧城市中移动设备产生的应用进行计算迁移，为用户提供质量较高的服务，且可提升服务器资源利用率，同时保证服务器集群负载平衡。
-
-
-
-
-
-
-
-
-
Search Results
24
records
(took 0.026 seconds)
